🌐 [translation-sync] FIX: lecture cleanup batch from the 2026-08 tracker audit

.translate/state/autodiff.md.yml

@@ -1,6 +1,6 @@
-source-sha: 05ce95691fd97e48da39dd6d58fe032c03e8813d
-synced-at: "2026-04-08"
-model: claude-sonnet-4-6
-mode: NEW
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-12"
+model: claude-sonnet-5
+mode: UPDATE
 section-count: 5
-tool-version: 0.22.0
+tool-version: 0.25.0

.translate/state/numpy.md.yml

@@ -1,6 +1,6 @@
-source-sha: a2b929f15e703b6942e8b80a29011c51f234b1e0
-synced-at: "2026-05-13"
-model: claude-sonnet-4-6
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-12"
+model: claude-sonnet-5
 mode: UPDATE
 section-count: 8
-tool-version: 0.15.0
+tool-version: 0.25.0

.translate/state/pandas.md.yml

@@ -1,6 +1,6 @@
-source-sha: 811accdd4ed8803df3a7123ada3b560bc3110712
-synced-at: "2026-06-19"
-model: claude-sonnet-4-6
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-12"
+model: claude-sonnet-5
 mode: UPDATE
 section-count: 5
-tool-version: 0.15.0
+tool-version: 0.25.0

.translate/state/pandas_panel.md.yml

@@ -1,6 +1,6 @@
-source-sha: 4cacd9a2d34a306abeb9383dbbe08be02e29011d
-synced-at: "2026-07-17"
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-12"
 model: claude-sonnet-5
 mode: UPDATE
 section-count: 6
-tool-version: 0.16.1
+tool-version: 0.25.0

.translate/state/polars.md.yml

@@ -1,6 +1,6 @@
-source-sha: 1c60c7df6e0c6fbebba3df2f7a9cb1b2c0e59172
-synced-at: "2026-07-30"
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-12"
 model: claude-sonnet-5
-mode: NEW
+mode: UPDATE
 section-count: 6
-tool-version: 0.24.0
+tool-version: 0.25.0

.translate/state/python_by_example.md.yml

@@ -1,6 +1,6 @@
-source-sha: 3241a07f00b1fb4d2bebc6989d1f480847e08e31
-synced-at: "2026-04-25"
-model: claude-sonnet-4-6
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-12"
+model: claude-sonnet-5
 mode: UPDATE
 section-count: 6
-tool-version: 0.14.1
+tool-version: 0.25.0

lectures/autodiff.md

@@ -32,7 +32,6 @@ translation:
 
 # ماجراهایی با مشتق‌گیری خودکار
 
-
 ```{include} _admonition/gpu.md
 ```
 
@@ -355,11 +354,11 @@ def grad_descent(f,       # Function to be minimized
 ```{code-cell} ipython3
 n = 100
 key = jax.random.key(1234)
-x = jax.random.uniform(key, (n,))
+key, x_key, ϵ_key = jax.random.split(key, 3)
+x = jax.random.uniform(x_key, (n,))
 
 α, β, σ = 0.5, 1.0, 0.1  # Set the true intercept and slope.
-key, subkey = jax.random.split(key)
-ϵ = jax.random.normal(subkey, (n,))
+ϵ = jax.random.normal(ϵ_key, (n,))
 
 y = α * x + β + σ * ϵ
 ```
@@ -519,4 +518,4 @@ plt.show()
 ```
 
 ```{solution-end}
-```
+```

lectures/numpy.md

@@ -1255,7 +1255,11 @@ class DiscreteRV:
     def __init__(self, q, seed=None):
         """
         آرگومان q یک آرایه NumPy است، یا شبیه آرایه، غیر منفی و جمع
-        به 1 می‌شود
+        به 1 می‌شود.
+
+        آرگومان seed مقدار دانه را برای مولد اعداد تصادفی زیرین تعیین
+        می‌کند؛ با مقدار پیش‌فرض seed=None، نمونه‌ها در اجراهای مختلف
+        قابل بازتولید نیستند.
         """
         self.q = q
         self.Q = cumsum(q)
@@ -1431,7 +1435,7 @@ print(A)
 
 **قسمت 2**: به سمت تکرار نتیجه عملیات broadcasting زیر حرکت کنید. در عین حال، سرعت broadcasting و حلقه `for` که پیاده‌سازی می‌کنید را مقایسه کنید.
 
-برای این قسمت از تمرین می‌توانید از توابع `tic`/`toc` از کتابخانه `quantecon` برای زمان‌سنجی اجرا استفاده کنید.
+برای این قسمت از تمرین می‌توانید از context manager `qe.Timer()` از کتابخانه `quantecon` برای زمان‌سنجی اجرا استفاده کنید.
 
 بیایید مطمئن شویم که این کتابخانه نصب شده است.
 

lectures/pandas.md

@@ -100,7 +100,8 @@ import requests
 با ایجاد یک سری از چهار مشاهده تصادفی شروع می‌کنیم
 
 ```{code-cell} ipython3
-s = pd.Series(np.random.randn(4), name='daily returns')
+rng = np.random.default_rng()
+s = pd.Series(rng.standard_normal(4), name='daily returns')
 s
 ```
 

lectures/pandas_panel.md

@@ -81,7 +81,7 @@ sns.set_theme()
 مجموعه داده با لینک زیر قابل دسترسی است:
 
 ```{code-cell} ipython3
-url1 = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/realwage.csv'
+url1 = 'https://raw.githubusercontent.com/QuantEcon/data-lectures/main/lectures/realwage.csv'
 ```
 
 ```{code-cell} ipython3
@@ -183,7 +183,7 @@ realwage_f.head()
 مجموعه داده با لینک زیر قابل دسترسی است:
 
 ```{code-cell} ipython3
-url2 = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/countries.csv'
+url2 = 'https://raw.githubusercontent.com/QuantEcon/data-lectures/main/lectures/countries.csv'
 ```
 
 ```{code-cell} ipython3
@@ -451,7 +451,7 @@ plt.show()
 مجموعه داده با لینک زیر قابل دسترسی است:
 
 ```{code-cell} ipython3
-url3 = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/employ.csv'
+url3 = 'https://raw.githubusercontent.com/QuantEcon/data-lectures/main/lectures/employ.csv'
 ```
 
 خواندن فایل CSV یک مجموعه داده پانلی در فرمت طولانی را برمی‌گرداند. از `.pivot_table()` برای ساخت یک dataframe با فرمت عریض با یک `MultiIndex` در ستون‌ها استفاده کنید.

lectures/polars.md

@@ -95,7 +95,8 @@ import matplotlib.pyplot as plt
 ابتدا سری‌ای از چهار مشاهده تصادفی می‌سازیم
 
 ```{code-cell} ipython3
-s = pl.Series(name='daily returns', values=np.random.randn(4))
+rng = np.random.default_rng()
+s = pl.Series(name='daily returns', values=rng.standard_normal(4))
 s
 ```
 
@@ -131,7 +132,7 @@ s.describe()
 ```{code-cell} ipython3
 df = pl.DataFrame({
     'company': ['AMZN', 'AAPL', 'MSFT', 'GOOG'],
-    'daily returns': np.random.randn(4)
+    'daily returns': rng.standard_normal(4)
 })
 df
 ```
@@ -480,13 +481,13 @@ print(f"Small data  --  pandas: {pd_small:.4f}s | Polars eager: {pl_small:.4f}s"
 
 ```{code-cell} ipython3
 n = 5_000_000
-np.random.seed(42)
+rng = np.random.default_rng(42)
 
-groups = np.random.choice(['A', 'B', 'C', 'D'], n)
-values = np.random.randn(n)
-weights = np.random.rand(n)
-extra1 = np.random.randn(n)
-extra2 = np.random.randn(n)
+groups = rng.choice(['A', 'B', 'C', 'D'], n)
+values = rng.standard_normal(n)
+weights = rng.random(n)
+extra1 = rng.standard_normal(n)
+extra2 = rng.standard_normal(n)
 
 big_pd = pd.DataFrame({
     'group': groups, 'value': values,
@@ -702,7 +703,7 @@ ticker = read_data_polars(ticker_list)
 
 ```{code-cell} ipython3
 price_change = ticker.select([
-    ((pl.col(tick).last() / pl.col(tick).first() - 1) * 100)
+    ((pl.col(tick).drop_nulls().last() / pl.col(tick).drop_nulls().first() - 1) * 100)
     .alias(tick)
     for tick in ticker_list.keys()
 ]).transpose(
@@ -821,4 +822,4 @@ plt.show()
 ```
 
 ```{solution-end}
-```
+```

lectures/python_by_example.md

@@ -186,16 +186,19 @@ sqrt(4)
 
 ### نمونه گیری تصادفی
 
-بیاید به کدی که نویز سفید رسم می کند برگردیم. سه خط بعد از دستور Import به این صورت هستند:
+بیاید به کدی که نویز سفید رسم می کند برگردیم. چهار خط بعد از دستور Import به این صورت هستند:
 
 ```{code-cell} ipython
+rng = np.random.default_rng()
 ϵ_values = rng.standard_normal(100)
 plt.plot(ϵ_values)
 plt.show()
 ```
-خط اول 100 عدد نرمال استاندارد (تقریبا) مستقل تولید می کند و آن ها را در متغیر `ϵ_values` ذخیره می کند.
+خط اول یک تولیدکننده ی عدد تصادفی به نام `rng` ایجاد می کند.
+
+خط دوم 100 عدد نرمال استاندارد (تقریبا) مستقل تولید می کند و آن ها را در متغیر `ϵ_values` ذخیره می کند.
 
-دو خط بعدی نمودار را رسم می کنند.
+دو خط آخر نمودار را رسم می کنند.
 
 در ادامه، روش های مختلفی را بررسی خواهیم کرد تا بتوانیم این نمودار را بهتر تنظیم و بهینه سازی کنیم.